JP2020080095A - 建物情報処理装置及び建物情報処理モデル学習装置 - Google Patents

Abstract

【課題】過去に建設された建物の実績情報を考慮して、対象の建物の不具合情報を得る。【解決手段】建物情報処理装置１００の取得部２２は、対象の建物の設計情報を取得する。次に、不具合情報取得部２９は、取得部２２により取得された設計情報を、学習用の建物の設計情報と学習用の建物の不具合を表す不具合情報とが対応付けられた学習用データに基づき予め学習された学習済みモデルへ入力して、対象の建物の不具合情報を取得する。【選択図】図１

Description

本発明は、建物情報処理装置及び建物情報処理モデル学習装置に関する。

従来、地震時の建物内の被害を評価する地震時建物内被害評価装置が知られている（例えば、特許文献１）。この地震時建物内被害評価装置は、建物データおよび地震動データに基づいて地震応答を計算し、地震応答、設置物データおよび床データに基づいて、設置物の転倒危険性、設置物の移動危険性、非構造部材損傷度、人的被害発生可能性、建物内避難支障度を評価する。

また、建物における耐震性能の表示方法が知られている（例えば、特許文献２）。この表示方法は、地理情報及び地盤情報に基づいて、地震ハザード曲線の選定を行い、地表面最大加速度と建物の層間変形角に応じた損傷評価曲線を表した図表の作図データを表示する。

また、コンクリート建物の健全性判定方法が知られている（例えば、特許文献３）。このコンクリート建物の健全性判定方法は、建物の常時微動（固有振動数）及び建物の内外温度差に基づいて、コンクリート構造部材の健全性を判定する。

また、建物データ及び地震波形に基づいて、建物に対する地震被害の状況を判定する地震被害判定装置が知られている（例えば、特許文献４）。

また、限られた階に設置したセンサで得られた建物の地震時応答情報に基づいて、建物各階の応答を推定する建物の健全性確認方法が知られている（例えば、特許文献５）。

構造物に多数のセンサを設置し、構造物の損傷の有無、程度を検出し、損傷の位置を推定する構造物の損傷検出方法が知られている（例えば、特許文献６）。

特開2007-109107号公報 特許第4087136号公報 特許第4859557号公報 特許第4914162号公報 特許第5967417号公報 特許第6032494号公報

既存の建物からは様々な情報を得ることができる。例えば、建物の設計情報と当該建物において発生した不具合情報との組み合わせを表す実績情報は、新たに建物を設計する際に有用な情報となる。また、既存の建物にどのような不具合が発生するのかを予測する際にも、このような実績情報は有用な情報となる。

しかし、上記特許文献１〜６では、過去に建設された建物の実績情報は考慮されていない。

本発明は上記事実に鑑みて、過去に建設された建物の実績情報を考慮して、対象の建物の不具合情報を得ることを目的とする。

上記目的を達成するために、本発明の建物情報処理装置は、対象の建物の設計情報を取得する取得部と、前記取得部により取得された前記設計情報を、学習用の建物の設計情報と前記学習用の建物の不具合を表す不具合情報とが対応付けられた学習用データに基づき予め学習された学習済みモデルへ入力して、前記対象の建物の前記不具合情報を取得する不具合情報取得部と、を含む建物情報処理装置である。本発明の建物情報処理装置によれば、過去に建設された建物の実績情報を考慮して、対象の建物の不具合情報を得ることができる。

本発明の前記取得部は、前記対象の建物の各箇所の状態を表す建物状態情報を更に取得し、前記不具合情報取得部は、前記学習用の建物の各箇所の前記建物状態情報が更に対応付けられた学習用データに基づき予め学習された前記学習済みモデルへ入力して、前記不具合情報を取得するようにすることができる。これにより、建物の各箇所の状態を更に考慮して、対象の建物の不具合情報を得ることができる。

本発明の前記対象の建物は、設計対象の建物又は既存の建物であるようにすることができる。これにより、過去の実績情報を考慮して、設計対象の建物又は既存の建物の不具合情報を得ることができる。

本発明の建物情報処理モデル学習装置は、学習用の建物の設計情報と前記学習用の建物の不具合を表す不具合情報とが対応付けられた学習用データに基づいて、建物の設計情報から前記建物の前記不具合情報を出力するためのモデルを機械学習させて、前記設計情報から前記不具合情報を出力する学習済みモデルを得る学習部と、を含む建物情報処理モデル学習装置である。これにより、設計情報から不具合情報を得るための学習済みモデルを取得することができる。

本発明の前記学習用データは、前記学習用の建物の各箇所の状態を表す建物状態情報が更に対応付けられ、前記学習部は、前記学習用データに基づいて、建物の設計情報及び建物の前記建物状態情報から前記建物の前記不具合情報を出力するためのモデルを機械学習させて、前記設計情報及び前記建物状態情報から前記不具合情報を出力する学習済みモデルを得るようにすることができる。これにより、設計情報及び建物の状態を表す建物状態情報から不具合情報を得るための学習済みモデルを取得することができる。

本発明によれば、過去に建設された建物の実績情報を考慮して、対象の建物の不具合情報を得ることができる、という効果が得られる。

第１実施形態に係る建物情報処理装置の概略構成を示すブロック図である。 本実施形態の学習用データの一例を説明するための説明図である。 建物の各箇所に設置されるセンサの一例を示す図である。 第１実施形態の学習済みモデルの一例を示す図である。 出力部によって表示される画面の一例を示す図である。 本実施形態の学習処理ルーチンの一例を示す図である。 本実施形態の建物情報処理ルーチンの一例を示す図である。 第２実施形態の学習済みモデルの一例を示す図である。 不具合情報を取得する方法の一例を説明するための説明図である。 不具合情報を取得する方法の一例を説明するための説明図である。

以下、本発明の実施形態について詳細に説明する。

＜第１実施形態＞

＜建物情報処理装置のシステム構成＞

図１は、第１実施形態に係る建物情報処理装置１００の構成の一例を示すブロック図である。建物情報処理装置１００は、機能的には、図１に示すように、受付部１０、コンピュータ２０、及び出力部３０を含んだ構成で表すことができる。第１実施形態に係る建物情報処理装置１００は、設計対象の建物の不具合を予測する。

受付部１０は、設計対象の建物の設計情報と、設計対象の建物の各箇所の状態を表す建物状態情報とを受け付ける。

また、受付部１０は、学習用の建物の設計情報と、当該学習用の建物の各箇所の状態を表す建物状態情報と、当該学習用の建物の不具合を表す不具合情報とが対応付けられた学習用データを受け付ける。また、学習用データには、不具合の要因の種別を表す情報が付与されている。学習用データの詳細については後述する。なお、受付部１０は、例えば、キーボード、マウス、及び外部装置等によって実現される。受付部１０は、外部から入力された画像情報（例えば、既存の建物の各箇所において発生した不具合の写真等）を受付可能なように構成されていてもよい。

設計対象の建物の設計情報としては、例えば、ＢＩＭ（Building Information Modeling）データが挙げられる。設計情報であるＢＩＭデータには、建物の構造設計情報と意匠（仕上げ材）設計情報が含まれている。また、設計対象の建物の各箇所の建物状態情報としては、設計対象の建物に対する構造解析及び熱解析によって得られる、設計対象の建物の梁部材及び柱部材等の変位の時系列データと、設計対象の建物の梁部材及び柱部材等の温度変化の時系列データとが挙げられる。

本実施形態では、設計建物の設計情報がＢＩＭデータに含まれる各部材の情報を表し、設計建物の各箇所の建物状態情報が梁部材及び柱部材の変位の時系列データ及び温度変化の時系列データを表す場合を例に説明する。

コンピュータ２０は、ＣＰＵ（Central Processing Unit）、各処理ルーチンを実現するためのプログラム等を記憶したＲＯＭ（Read Only Memory）、データを一時的に記憶するＲＡＭ（Random Access Memory）、記憶手段としてのメモリ、ネットワークインタフェース等を含んで構成されている。コンピュータ２０は、数値情報及び画像情報等の様々なデータを処理可能なように構成されている。コンピュータ２０は、機能的には、図１に示すように、取得部２２と、学習用データ記憶部２４と、選択部２５と、学習部２６と、学習済みモデル記憶部２８と、不具合情報取得部２９とを備えている。

取得部２２は、対象の建物の設計情報及び対象の建物の建物状態情報を取得する。また、取得部２２は、学習用の建物の建物状態情報と、当該学習用の建物の設計情報と、当該学習用の建物の不具合を表す不具合情報とが対応付けられた学習用データを取得する。

学習用データ記憶部２４には、取得部２２によって取得された複数の学習用データが格納される。例えば、図２に示されるように、学習用の建物の各箇所の建物状態情報と、当該学習用の建物の設計情報と、当該学習用の建物の不具合を表す不具合情報とが対応付けられて格納される。

学習用の建物は既存の建物である。学習用の建物の各箇所の建物状態情報は、例えば、図３に示されるように、既存の建物Ａの各箇所に設置された、変位センサ又は温度センサを表すセンサＳによって取得されたデータである。なお、図３に示される丸印は、全てセンサＳを表す。

不具合情報は、既存の建物に対する目視の定期点検から得られる。例えば、既存の建物のスラブ及び壁のひび割れ、仕上げ材の亀裂及び剥離、並びに補修履歴等の情報が不具合情報として得られる。なお、不具合のパターンを分類した分類情報を不具合情報に付与してもよい。分類情報としては、例えば、不具合の規則性の有無、不具合が貫通又は非貫通であるかといった情報である。なお、不具合情報には、既存の建物の各箇所において発生した不具合の写真等の画像情報が含まれていてもよい。

図２に示される実績ＩＤ「00001」の学習用データでは、既に建設が完了した学習用の建物の識別情報を表す建物ＩＤ「00001」の建物の部材ＩＤ「00001」の部材において、変位データが「Ｘ１」及び温度データが「Ｙ１」であり、かつ部材断面が「Ａ１」、部材剛性が「Ｂ１」、部材拘束度が「Ｃ１」、部材の材料特性が「Ｄ１」、部材強度が「Ｅ１」、仕上げ材質又は仕様が「Ｆ１」、及び躯体と仕上げ材との取り合いが「Ｇ１」であった場合に、コンクリートのひび割れが「Ｈ１」及び仕上げ材の亀裂又は剥離が「I１」であったことが表されている。なお、既存の建物の各箇所において発生した不具合の写真等の画像情報が不具合情報に含まれている場合、その画像情報も学習用データ記憶部２４に格納されてもよい。

この場合、図２に示される各データは、数値によって表現される。例えば、仕上げ材質又は仕様については、材質毎に「１」又は「２」というようなラベル形式で表現される。

また、図２に示されるように、不具合情報には、不具合の要因を表す要因種別情報が付与される。要因種別情報は、既存の建物に対する目視の定期点検の際に、人手によって付与される。建物の不具合は、様々な要因によって発生する。例えば、不具合が設計によって発生する場合もあれば、施工によって発生する場合もある。本実施形態では、設計段階において対象の建物に発生する不具合を予測するものであるため、「設計要因」の不具合のみを対象のデータとする。

選択部２５は、学習用データ記憶部２４に格納された複数の学習用データから、不具合の要因種別情報が「設計要因」である学習用データの各々を選択する。

学習部２６は、選択部２５によって選択された複数の学習用データに基づいて、建物の設計情報及び建物の各箇所の建物状態情報から建物の不具合情報を出力するためのモデルを機械学習させる。

そして、学習部２６は、設計対象の建物の設計情報及び設計対象の建物の建物状態情報から不具合情報を出力する学習済みモデルを得る。学習用データは、既存の建物から得られるデータであるため、既存の建物の設計情報及び既存の建物の建物状態情報と、既存の建物の不具合情報とが学習済みモデルへ反映される。

本実施形態では、図４に示されるような学習済みモデルを生成する。例えば、図４に示されるように、モデルの一例としてニューラルネットワークを用いることができ、学習アルゴリズムの一例としてディープラーニングを用いることができる。

学習済みモデル記憶部２８には、学習部２６によって学習された学習済みモデルが格納される。

不具合情報取得部２９は、取得部２２により取得された、対象の建物の設計情報及び建物状態情報を、学習済みモデル記憶部２８に格納された学習済みモデルへ入力して、対象の建物の不具合情報を取得する。なお、建物状態情報は、設計対象の建物の設計情報であるＢＩＭデータに対する、構造解析及び熱解析によって得られる、建物の梁部材及び柱部材等の変位の時系列データと、建物の梁部材及び柱部材等の温度変化の時系列データとである。

図４に示されるように、対象の建物の設計情報及び対象の建物の建物状態情報が学習済みモデルへ入力されると、対象の建物の不具合情報が出力される。これにより、どのような不具合が発生するのかに関する不具合情報が、学習済みモデルから出力され、設計対象の建物においてどのような不具合が発生するのかを予測することができる。

例えば、学習済みモデルからは、不具合情報として、コンクリートのひび割れが発生する確率が８０％、仕上げ材の亀裂又は剥離が発生する確率が１０％というような形式の情報が出力される。

出力部３０は、不具合情報取得部２９によって出力された、対象の建物の不具合情報を結果として出力する。例えば、出力部３０は、ディスプレイによって実現される。このため、出力部３０は、画像情報を表示することができる。

例えば、出力部３０には、図５に示されるような画面が表示される。図５に示されるように、対象の建物の設計情報であるＢＩＭデータＢと、不具合情報である「亀裂発生確率３０％」が表示される。

建物情報処理装置１００のユーザである設計者は、出力部３０に表示された不具合情報を確認する。そしてユーザは、不具合情報を参考にして、対象の建物の設計を行う。例えば、上記図５に示されるようなアラートが出力された場合には、ユーザは、構造設計の変更又は仕上げ材の変更を検討する。

＜建物情報処理装置の作用＞

次に、図６及び図７を参照して、建物情報処理装置１００の作用を説明する。建物情報処理装置１００は、図６の学習処理ルーチンと図７の建物情報処理ルーチンとを実行する。

＜学習処理ルーチン＞

建物情報処理装置１００の受付部１０に複数の学習用データが入力されると、コンピュータ２０の取得部２２は、受付部１０により受け付けた複数の学習用データを取得する。そして、取得部２２は、学習用データを学習用データ記憶部２４に格納する。建物情報処理装置１００は、学習処理開始の指示信号を受け付けると、図６に示される学習処理ルーチンを実行する。

ステップＳ１００において、選択部２５は、学習用データ記憶部２４に格納された複数の学習用データから、不具合の要因種別情報が「設計要因」である学習用データの各々を選択する。

ステップＳ１０２において、学習部２６は、上記ステップＳ１００で選択された複数の学習用データに基づいて、建物の設計情報及び建物の各箇所の建物状態情報から建物の不具合情報を出力するためのモデルを機械学習させる。そして、学習部２６は、建物の設計情報及び建物の建物状態情報から不具合情報を出力する学習済みモデルを得る。

ステップＳ１０４において、学習部２６は、上記ステップＳ１０２で得られた習済みモデルを、学習済みモデル記憶部２８に格納して、学習処理ルーチンを終了する。

＜建物情報処理ルーチン＞

建物情報処理装置１００の受付部１０に、設計対象の建物の設計情報と、設計対象の建物の各箇所の建物状態情報とが入力されると、建物情報処理装置１００のコンピュータ２０は、図７に示される建物情報処理ルーチンを実行する。

ステップＳ２００において、取得部２２は、設計対象の建物の設計情報及び建物状態情報を取得する。

ステップＳ２０２において、不具合情報取得部２９は、学習済みモデル記憶部２８に格納された学習済みモデルを読み出す。

ステップＳ２０４において、不具合情報取得部２９は、上記ステップＳ２００で取得された設計対象の建物の設計情報及び建物状態情報を、上記ステップＳ２０２で読み出された学習済みモデルへ入力して、設計対象の建物の不具合情報を取得する。

ステップＳ２０６において、不具合情報取得部２９は、上記ステップＳ２０４で取得された不具合情報を結果として出力する。

出力部３０は、不具合情報取得部２９から出力された情報を、結果として出力する。

以上詳細に説明したように、本実施形態の建物情報処理装置は、設計対象の建物の設計情報及び設計対象の建物の各箇所の建物状態情報を、学習済みモデルへ入力して、設計対象の建物の不具合情報を取得する。これにより、過去に建設された建物の実績情報を考慮して、設計対象の建物の不具合情報を得ることができる。

また、本実施形態の建物情報処理装置は、学習用の建物の設計情報及び学習用の建物の各箇所の建物状態情報と学習用の建物の不具合を表す不具合情報とが対応付けられた学習用データに基づいて、建物の設計情報及び建物の各箇所の建物状態情報から不具合情報を出力するためのモデルを機械学習させて、設計情報及び建物の各箇所の建物状態情報から不具合情報を出力する学習済みモデルを得る。これにより、設計対象の建物の設計情報及び建物の各箇所の建物状態情報から設計対象の建物の不具合情報を得るための学習済みモデルを取得することができる。

また、本実施形態の建物情報処理装置により、客観的かつ汎用性のある不具合情報が生成され、設計者であるユーザに対して提示することができる。また、設計対象の建物の躯体及び仕上げにおける不具合の発生を低減させることができる。

＜第２実施形態＞

次に、第２実施形態について説明する。第２実施形態では、既存の建物の不具合を予測する点が第１実施形態と異なる。なお、第２実施形態に係る建物情報処理装置の構成は、第１実施形態と同様の構成となるため、同一符号を付して説明を省略する。

第１実施形態においては、設計対象の建物の不具合情報を出力する学習済みモデルを用いるが、この学習済みモデルは、既存の建物の不具合情報を取得する際にも用いることができる。

このため、第２実施形態の受付部１０は、設計対象の建物のデータに代えて、不具合予測対象の既存の建物の、設計情報及び建物状態情報を受け付ける。

なお、不具合予測対象の既存の建物の各箇所の建物状態情報は、上記図３に示されるように、不具合予測対象の既存の建物の各箇所に設置されたセンサＳ（変位センサ及び温度センサ）によって取得されたデータである。

第２実施形態の取得部２２は、不具合予測対象の既存の建物の、設計情報及び建物状態情報を取得する。

第２実施形態の不具合情報取得部２９は、取得部２２により取得された設計情報及び建物状態情報を、学習済みモデル記憶部２８に格納された学習済みモデルへ入力して、不具合予測対象の既存の建物の不具合情報を取得する。

以上詳細に説明したように、第２実施形態の建物情報処理装置は、不具合予測対象の既存の建物の設計情報及び不具合予測対象の既存の建物の各箇所の建物状態情報を、学習済みモデルへ入力して、不具合予測対象の既存の建物の不具合情報を取得する。これにより、過去に建設された建物の実績情報を考慮して、既存の建物の不具合情報を得ることができる。

また、既存の建物の躯体及び仕上げの不具合を早期に発見することができる。また、地震が発生した場合、各センサから得られるデータを学習済みモデルへ入力することで、各部材の損傷度合いを評価することもできる。

＜第３実施形態＞

次に、第３実施形態について説明する。第３実施形態では、対象の建物の各箇所の建物状態情報を用いずに対象の建物の不具合情報を予測する点が、第１及び第２実施形態と異なる。なお、第３の実施形態の構成は、第１実施形態と同様の構成となるため、同一符号を付して説明を省略する。

第３実施形態の建物情報処理装置は、対象の建物の設計情報から対象の建物の不具合情報を取得する。なお、第３実施形態において、対象の建物は、設計対象の建物又は既存の建物の何れであってもよい。

第３実施形態の受付部１０は、対象の建物の設計情報を受け付ける。また、第３実施形態の受付部１０は、学習用の建物の設計情報と当該学習用の建物の不具合を表す不具合情報とが対応付けられた学習用データを受け付ける。第３実施形態では、設計情報から不具合情報を取得する。このため、第３実施形態の学習用データは、学習用の建物の設計情報と当該学習用の不具合情報とが対応付けられたデータである。

第３実施形態の取得部２２は、対象の建物の設計情報を取得する。また、第３実施形態の取得部２２は、学習用の建物の設計情報と当該学習用の建物の不具合情報とが対応付けられた学習用データを取得する。

第３実施形態の学習用データ記憶部２４には、取得部２２によって取得された複数の学習用データが格納される。なお、第３実施形態の学習用データには、上記図２に示されるような建物状態情報は含まれていない。

第３実施形態の学習部２６は、選択部２５によって選択された複数の学習用データに基づいて、建物の設計情報から建物の不具合情報を出力するためのモデルを機械学習させる。

そして、学習部２６は、対象の建物の設計情報から不具合情報を出力する学習済みモデルを得る。学習用データは、既存の建物から得られるデータであるため、既存の建物の設計情報と既存の建物の不具合情報とが学習済みモデルへ反映される。

第３実施形態では、例えば、図８に示されるような学習済みモデルを生成する。例えば、図８に示されるように、モデルの一例としてニューラルネットワークを用いることができ、学習アルゴリズムの一例としてディープラーニングを用いることができる。

第３実施形態の不具合情報取得部２９は、取得部２２により取得された設計情報を、学習済みモデル記憶部２８に格納された学習済みモデルへ入力して、対象の建物の不具合情報を取得する。

図８に示されるように、対象の建物の設計情報が学習済みモデルへ入力されると、対象の建物の不具合情報が出力される。これにより、設計情報のみを用いて、対象の建物においてどのような不具合が発生するのかを予測することができる。

以上詳細に説明したように、第３実施形態の建物情報処理装置は、対象の建物の設計情報を、学習済みモデルへ入力して、対象の建物の不具合情報を取得する。これにより、設計情報のみを用いて、対象の設計対象の建物の不具合情報を得ることができる。

また、本実施形態の建物情報処理装置は、学習用の建物の設計情報と学習用の建物の不具合を表す不具合情報とが対応付けられた学習用データに基づいて、建物の設計情報から不具合情報を出力するためのモデルを機械学習させて、設計情報から不具合情報を出力する学習済みモデルを得る。これにより、対象の建物の設計情報から対象の建物の不具合情報を得るための学習済みモデルを取得することができる。

なお、本発明は、上述した実施の形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

例えば、上記実施形態において、学習用データのうちの不具合情報は、既存建物の定期点検によって得られる場合を例に説明したが、これに限定されるものではない。例えば、図９に示されるように、柱Ｐ１にはセンサＳ１（変位センサ及び温度センサ）が設置され、柱Ｐ２にはセンサＳ２（変位センサ及び温度センサ）が設置されている場合を想定する。この場合、例えば、柱に設置した各変位センサにより得られるデータから梁の長さＬ（伸縮）を逐次算定する。

図１０に、逐次算定された梁の長さＬと温度センサにより逐次計測された温度データＴとがプロットされたグラフを示す。図１０に示されるグラフは二軸グラフであり、横軸が計測された時期を表し、縦軸が梁の長さ（ｍｍ）と温度（℃）とを表す。なお、例えば横軸における「１／１」は、１月１日であることを表す。また、図１０に示されるグラフは、温度データＴと梁の長さＬとの相対関係を比較するために、各時期の温度データＴを表すグラフに、梁の長さＬを重ね合わせて表示したものである。

図１０の左側に示されるように、建物に不具合が生じていない場合には、各時期の温度データＴと各時期の梁の長さＬとの間の関係は、ほぼ一定の関係となる。一方、図１０の右側に示されるように、建物に不具合が生じた場合には、各時期の温度データＴと各時期の梁の長さＬとの間の関係が一定の関係ではなくなる。具体的には、図１０の右側のグラフの楕円の領域Ｘのように、図９のようなひび割れＨが発生することにより、温度データＴと梁の長さＬとの間の相対的な関係が変化する。このため、例えば、これらの関係を学習用データとして設定し、学習済みモデルに反映させるようにしてもよい。具体的には、図１０の左側のデータ及び図１０の右側の楕円領域Ｘ以外のデータを、不具合が発生していない学習用データとして設定し、図１０の右側の楕円領域Ｘ内のデータを不具合が発生している学習用データとして設定する。

また、上記実施形態では、モデルの一例としてのニューラルネットワークモデルをディープラーニングによって学習させる場合を例に説明したが、これに限定されるものではない。例えば、ニューラルネットワークモデルとは異なる他のモデルを、ディープラーニングとは異なる他の学習方法によって学習させてもよい。

また、上記実施形態では、建物情報処理装置は、図６に示す学習処理ルーチンと図７に示す建物情報処理ルーチンとを行う場合を例に説明したが、これに限定されるものではない。例えば、図６に示す学習処理ルーチンを行う建物情報処理モデル学習装置と、図７に示す建物情報処理ルーチンを行う建物情報処理装置とによってシステムを構成してもよい。

また、上記実施形態では、建物状態情報の一例として、温度データ及び変位データを用いる場合を例に説明したが、これに限定されるものではなく、建物の各箇所の状態を表す情報であれば、どのような情報であってもよい。例えば、３軸加速度センサ及び３軸ジャイロセンサによって得られるデータ（加速度及び回転角等）や、各箇所の伸縮、端部曲げ、及び変形度合いであってもよい。また、同様に、設計情報に関してもＢＩＭデータに限らずどのような情報であってもよく、不具合情報についても、建物の不具合を表す情報であればどのような情報であってもよい。

また、上記では本発明に係るプログラムが記憶部（図示省略）に予め記憶（インストール）されている態様を説明したが、本発明に係るプログラムは、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ及びマイクロＳＤカード等の記録媒体に記録されている形態で提供することも可能である。

１０ 受付部
２０ コンピュータ
２２ 取得部
２４ 学習用データ記憶部
２５ 選択部
２６ 学習部
２８ 学習済みモデル記憶部
２９ 不具合情報取得部
３０ 出力部
１００ 建物情報処理装置

Claims (4)

1. 対象の建物の設計情報を取得する取得部と、
   前記取得部により取得された前記設計情報を、学習用の建物の設計情報と前記学習用の建物の不具合を表す不具合情報とが対応付けられた学習用データに基づき予め学習された学習済みモデルへ入力して、前記対象の建物の前記不具合情報を取得する不具合情報取得部と、
   を含む建物情報処理装置。
2. 前記取得部は、前記対象の建物の各箇所の状態を表す建物状態情報を更に取得し、
   前記不具合情報取得部は、前記学習用の建物の各箇所の前記建物状態情報が更に対応付けられた学習用データに基づき予め学習された前記学習済みモデルへ入力して、前記不具合情報を取得する
   請求項１に記載の建物情報処理装置。
3. 前記対象の建物は、設計対象の建物又は既存の建物である、
   請求項１又は請求項２に記載の建物情報処理装置。
4. 学習用の建物の設計情報と前記学習用の建物の不具合を表す不具合情報とが対応付けられた学習用データに基づいて、建物の設計情報から前記建物の前記不具合情報を出力するためのモデルを機械学習させて、前記設計情報から前記不具合情報を出力する学習済みモデルを得る学習部と、
   を含む建物情報処理モデル学習装置。